Bayesian stochastic volatility predictability of cryptocurrencies with the algorithm of Metropolis Hasting

Résumé Fr En

Cet article analyse la volatilité des cryptomonnaies à l’aide de la méthode de Monte-Carlo par chaînes de Markov (MCMC). L’objectif de cette étude est de trouver une technique plus efficace pour prévoir et estimer la volatilité, afin de fournir des informations cruciales aux gestionnaires de portefeuille et aux décideurs. Deux modèles ont été examinés : le modèle de volatilité stochastique autorégressive avec distribution t de Student (ARSV-t) et le modèle SVOL, en utilisant l’algorithme de Metropolis Hasting. Les résultats montrent que le modèle ARSV-t est plus performant que le modèle SVOL, surtout lorsqu’on traite des données financières hautement volatiles, telles que celles des cryptomonnaies. De plus, les prévisions obtenues avec le modèle ARSV-t sont plus précises que celles du modèle SVOL. Nous avons également constaté que la signification statistique des variables contrôlant la volatilité stochastique varie en fonction de la période d’estimation (COVID-19, guerre Russie-Ukraine). Ces résultats contribuent à améliorer notre compréhension des prévisions de la volatilité sur le marché des cryptomonnaies.

This paper attempts to estimate the volatility of cryptocurrencies applying the Markov Chain Monte Carlo (MCMC) approach. Specifically, the purpose of this paper is to find a better technique to forecast the volatility in order to provide important insight for portfolio managers and policy makers. We consider two models; the first one is the autoregressive stochastic volatility model with Student’s t-distribution (ARSV-t), and the second model is the basic SVOL, applying the algorithm of Metropolis Hasting. Controlling for stochastic volatility, our results show that when we deal with extremely volatile financial data, such as cryptocurrencies, the ARSV-t model performs better than the SVOL model. Moreover, the forecasting errors of the ARSV-t model, compared with the SVOL one, tend to be more accurate as forecast time horizons are longer. It also appears that the statistical significance of the predictor variables controlling for stochastic volatility are typically sensitive to the sample period specially COVID-19 and the Russia-Ukraine War. This deepens our insight into volatility forecasting in the complex market of cryptocurrencies.